Исследование и разработка алгоритма обобщения с понятием аргументации

руководитель: доцент, к.т.н Фомина М.В.
Национальный исследовательский университет
Московский Энергетический Институт
Кафедра Вычислительной

техники

позволяющий выполнять формирование обобщенных понятий с использованием аргументации.

В результате выполнения

работы необходимо решить следующие задачи:
Изучение алгоритмов индуктивного формирования понятий.
Разработка и реализация алгоритма обобщения с аргументацией.
Разработка программной среды.
Проведение тестирования.
Сбор статистики и анализ результатов.

данных. Эти данные требуют тщательного анализа и зачастую исследование этой

информации представляет собой трудоемкий процесс, который почти невозможно осуществить вручную. Поэтому всегда существует спрос на методы автоматического анализа данных, которые позволили бы с наименьшими трудовыми затратами и с приемлемой степенью достоверности решать задачи обобщения данных и их классификации.

на:
Системы обучения «без учителя»
Системы обучения «с учителем»


В данной работе реализован

вариант системы обучения с учителем.

Варианты реализации систем обобщения.

алгоритмы обобщения:
ДРЕВ
Алгоритм ID3
Алгоритм CN2
Алгоритм ABCN2

В качестве реализуемого алгоритма был выбран

ABCN2.

выборки:
E = (A, C) – пример без аргументации, где А

– вектор значений атрибутов примера, С – класс к которому принадлежит пример.
AE = (A, C, Arguments) – пример с добавленной аргументацией, где А – вектор значений атрибутов примера, С – класс к которому принадлежит пример, Arguments – вектор аргументов. В качестве аргументов выступают значения атрибутов примера AE. Виды аргументов:
1) Аргумент положительный, если значение атрибута, по мнению эксперта, выступает за принадлежность примера классу C.
2)Аргумент отрицательный, если значение атрибута негативный фактор принадлежности примера классу C.
2) Правила признаются аргументированными, если выполняются требования:
Условия для правил содержат хотя бы один положительный аргумент и не содержат отрицательных.
Условия правил должны быть истинны для примеров, из которых они получены.

= нет – отрицательный признак для принятия решения о выдаче

кредита. Отрицательный аргумент.
Достаток = высокий – положительный признак для принятия решения о выдаче кредита. Положительный аргумент.
Список правил, которые покрывают аргументированный пример:
{Если (ЦветВолос = блондин) то ВыдачаКредита = да},
{Если (РегулярностьВыплат = нет и ЦветВолос = блондин) то ВыдачаКредита = да},
{Если (РегулярностьВыплат = нет и Достаток = высокий) то ВыдачаКредита = да},
{Если (ЦветВолос = блондин и Достаток = высокий) то ВыдачаКредита = да}.
{Если (Достаток = высокий) то ВыдачаКредита = да}.

аргументов каждого аргументированного примера. Аргумент с самым высоким значением оценочной

функции признается лучшим.
Шаг 2. Сортировка аргументированных примеров, исходя из значения оценочной функции лучшего аргумента для каждого примера.
Шаг 3. Выбор примера с самым высоким значением оценочной функции и поиск аргументированного правила.
Шаг 4. Удаление аргументированных примеров, которые покрываются полученным правилом.
Шаг 5. Занесение полученного правила в общий список продукционных правил.
Шаг 6. Если остались аргументированные примеры – переход к шагу 3, иначе – к шагу 7.
Шаг 7. Продукционные правила получены

гипотез, что ведет к уменьшению зоны поиска.
Полученные правила имеют высокую

значимость (на этапе прогнозирования класса) для эксперта.
Аргументы успешно решают ситуации, когда в обучающей выборке присутствуют противоречия, шум.

разработки: С#

Возможности системы:
Ввод, хранение, коррекция обучающих выборок в виде таблиц.
Получение

и сохранение наборов продукционных правил на основе алгоритма ABCN2.
Вывод результатов машинного обучения.
Сбор статистики по результатам машинного обучения.
Возможность проведения экспериментов на обучающих выборках из хранилища данных UCI REPSITORY
Возможность оценки точности распознавания на тестовых выборках

проведенных опытов:
с использованием алгоритма ABCN2: MONK1- 97.52% , MONK2-

75.24%, MONK3- 94.73%

успешно работает при наличии до 5-10% противоречивых примеров.
В ряде задач

использование алгоритма аргументации вместо классического алгоритма CN2 увеличивает на 5-7% количество правильно классифицированных тестовых примеров.

обобщения и выбран для реализации алгоритм ABCN2, позволяющий повысить точность

распознавания.
Cпроектирована и реализована программная среда c понятным и наглядным интерфейсом.
Проведено тестирование программной среды на наборах данных из UCI Machine Learning Repository
Собраны и исследованы результаты тестирования.